Введение: почему городские симуляции нуждаются в человеческом поведении
Представьте, что вы можете «проиграть» будущее города: как изменится трафик, если закрыть центральную улицу, или как поведут себя люди при эвакуации района. Именно для этого нужны городские симуляции — они помогают принимать решения в транспортной политике, оценивать риски и изучать социальные процессы, не затрагивая реальную жизнь. Но долгое время такие модели были либо слишком простыми, чтобы уловить всю сложность человеческого поведения, либо опирались на жёсткие сценарии, которые быстро устаревали.
С развитием больших языковых моделей (LLM) появилась возможность создавать агентов, которые планируют свой день: ходят на работу, в магазины, на встречи — и делают это в масштабе целого города. Такие симуляции выглядят правдоподобно, но у них есть скрытый изъян. Стандартный подход предполагает few-shot prompting: модели показывают несколько примеров и просят действовать похоже. В результате агенты воспроизводят не реальные привычки жителей, а «усреднённое» представление о поведении, которое зашито в самой языковой модели. Это всё равно, что спросить человека, который никогда не был в вашем городе, как живут местные, — он ответит общими фразами, в лучшем случае из учебника социологии.
Как устроен CityReal
Чтобы преодолеть этот разрыв между «шаблонным» и «настоящим» поведением, группа исследователей — Nicolas Bougie, Xiaotong Ye и Narimasa Watanabe — предложила фреймворк CityReal. Его ключевая идея в том, чтобы симулируемые агенты не действовали по шаблону, а принимали решения как живые люди, руководствуясь намерениями.
Вместо пошаговых действий, которые просто «нанизываются» друг на друга, агент CityReal строит связный план своей активности и передвижения. Он не совершает отдельное действие «пойти в кафе» в вакууме: этот поход встроен в его более широкий график дня, недели и даже месячных целей. Такой подход гораздо ближе к реальному поведению человека, который планирует свои дела и ищет компромиссы между временем, маршрутами и приоритетами.
Модульная архитектура и намерения
Каждый агент в CityReal состоит из нескольких модулей, отвечающих за разные аспекты поведения: логистику маршрутов, выбор активностей, управление временем и взаимодействие с другими агентами. Все эти модули подчинены центральному блоку намерений, который координирует решения. Благодаря этому агент действует не как набор разрозненных функций, а как целостная личность со своими привычками и предпочтениями.
Со временем агенты обучаются. Они адаптируются к ограничениям — например, к часам работы магазинов или расписанию общественного транспорта — и постепенно формируют устойчивые маршруты и рутины. Это делает их поведение не просто правдоподобным, а по-настоящему эмерджентным: из простых правил и обучения возникают сложные паттерны, которые не закладывались разработчиками напрямую.
Текстовые адаптеры и популяционная статистика
Но самое интересное — это механизм, который связывает поведение агентов с реальной статистикой населения. Для этого в CityReal используются текстовые адаптеры. Это специальные обучаемые компоненты, которые «настраивают» поведенческие модули под наблюдаемые данные. Например, если по статистике жители города обычно проводят в дороге на работу около 40 минут, адаптеры скорректируют выбор маршрутов и времени выхода так, чтобы это соответствовало реальному распределению.
Таким образом, агенты не просто имитируют поведение «среднего человека», а воспроизводят статистические закономерности конкретной популяции: кто-то ездит на велосипеде, кто-то предпочитает общественный транспорт, у кого-то нестандартный рабочий график. Именно благодаря адаптерам симуляция становится согласованной с данными на уровне всего города, а не только отдельных индивидов.
Эксперименты и результаты
Исследователи провели эксперименты с CityReal, масштабируя симуляцию до десятков тысяч агентов. Этого достаточно, чтобы анализировать не только отдельные траектории, но и городские явления: плотность толпы, популярность мест, мобильные потоки и даже уровень благополучия агентов в разных сценариях. Например, можно смоделировать утренний час пик или массовое мероприятие и посмотреть, как изменится нагрузка на инфраструктуру.
Результаты показали, что CityReal значительно улучшает согласованность с реальным человеческим поведением по сравнению с классическими LLM-агентами. На микроуровне — это точность отдельных решений: куда пойти, каким маршрутом, в какое время. На макроуровне — совпадение общих паттернов: в какие часы центр города заполняется, куда направлены основные потоки, какие районы становятся «узкими местами».
Причём улучшение заметно не только визуально, но и в количественных метриках, которые использовали авторы. Это значит, что симуляцию можно применять для прогнозирования — например, для оценки последствий изменения транспортной схемы или планирования мероприятий. Чем точнее модель отражает реальное поведение, тем надёжнее выводы, которые на неё опираются.
Что это даёт на практике
Создатели фреймворка подчёркивают, что CityReal — это не просто очередная симуляция, а масштабируемый испытательный стенд для городского планирования и прогнозирования. Он может быть полезен градостроителям, транспортным планировщикам, специалистам по безопасности дорожного движения и исследователям в области социальных наук.
Представьте: вы хотите понять, как повлияет строительство нового моста на время в пути жителей. Вместо того чтобы полагаться на грубые оценки, вы запускаете симуляцию с десятками тысяч агентов, которые ведут себя как реальные люди — с их привычками, предпочтениями и реакцией на изменения. Или вам нужно спланировать эвакуацию при ЧС: CityReal позволяет смоделировать потоки людей, узкие места и время, необходимое для безопасного вывода населения.
Важно, что для работы с CityReal не нужно вручную прописывать правила для каждого агента. Достаточно задать архитектуру и загрузить статистику реальной популяции — дальше агенты сами обучаются вести себя соответствующим образом. Это существенно упрощает адаптацию модели к новому городу или сценарию.
Стоит добавить, что работа была представлена на arXiv 8 июля 2026 года и относится сразу к нескольким категориям: physics.soc-ph, cs.AI и cs.MA. Такое сочетание подчёркивает междисциплинарный характер исследования — на стыке физики социальных систем, искусственного интеллекта и мультиагентного моделирования.
CityReal — это шаг к симуляциям, которые действительно отражают жизнь города, а не стереотипные представления о ней. Возможно, скоро такие модели станут стандартным инструментом для тех, кто принимает решения о будущем наших городов.
